کنفرانس ODSC East 2025 بهسرعت نزدیک میشود و فرصتی بینظیر برای دانشمندان داده و متخصصان هوش مصنوعی فراهم میکند تا با آخرین پیشرفتها در این زمینه آشنا شوند. این کنفرانس که از ۱۳ تا ۱۵ می در بوستون، ماساچوست و بهصورت مجازی برگزار میشود، وعده مجموعهای متنوع از جلسات را میدهد که برای افزایش تخصص و گسترش شبکه حرفهای شما طراحی شدهاند.
جلسات کلیدی که باید در آنها شرکت کنید
به سوی مدلهای پایه عمومی و قابل بازتولید فراتر از هوش زبانی
این جلسه به توسعه مدلهای پایه میپردازد که فراتر از پردازش زبان رفته و طیف وسیعتری از وظایف شناختی را در بر میگیرند. بحث بر روی استراتژیهایی برای ایجاد مدلهایی متمرکز خواهد بود که هم بهصورت عمومی در دسترس باشند و هم قابل بازتولید، با تأکید بر شفافیت و همکاری در تحقیقات هوش مصنوعی.
فراتر از چتباتها: نقشهنگاری شناختی برای علم داده بصری انسانمحور با قدرت هوش مصنوعی
در این جلسه، مفهوم نقشهنگاری شناختی را کاوش کنید که به رویکردهای انسانمحور در علم داده بصری مبتنی بر هوش مصنوعی میپردازد. شرکتکنندگان در مورد نگاشت فرآیندهای شناختی برای افزایش تفسیرپذیری و کاربردپذیری سیستمهای هوش مصنوعی در تحلیل دادههای بصری خواهند آموخت.
هوش مصنوعی مولد در مقیاس بزرگ: ساخت و اندازهگیری راهکارهای هوش مصنوعی مسئولانه
با گسترش مقیاس هوش مصنوعی مولد، اطمینان از مسئولیتپذیری اهمیت حیاتی پیدا میکند. این گفتگو متدولوژیهایی برای ساخت راهکارهای مقیاسپذیر هوش مصنوعی مولد را پوشش میدهد، ضمن اینکه ملاحظات اخلاقی و چارچوبهای اندازهگیری قوی برای ارزیابی تأثیر و قابلیت اطمینان آنها را نیز در بر میگیرد.
سازوکارهای کنترلی (Guardrails) در گردشکارهای هوش مصنوعی مولد از طریق ارکستراسیون
اجرای سازوکارهای حفاظتی مؤثر در گردشکارهای هوش مصنوعی مولد برای حفظ کنترل و اطمینان از نتایج اخلاقی ضروری است. این جلسه به بحث در مورد تکنیکهای ارکستراسیون میپردازد که سازوکارهای کنترلی را معرفی میکنند و در نتیجه ایمنی و پیشبینیپذیری محتوای تولید شده توسط هوش مصنوعی را افزایش میدهند.
هوش مصنوعی مولد در مدیریت دارایی: موارد استفاده و درسهایی از ساخت یک دستیار هوشمند (Copilot) ویژه صنعت
کشف کنید که چگونه هوش مصنوعی مولد با توسعه دستیارهای هوشمند ویژه صنعت، مدیریت دارایی را متحول میکند. این ارائه موارد استفاده عملی و درسهای آموخته شده از ادغام هوش مصنوعی مولد در گردشکارهای مدیریت دارایی را به اشتراک میگذارد و بر افزایش کارایی و بهبود تصمیمگیری تأکید میکند.
واکاوی بازنمایی: تفاوتهای ظریف فرهنگی و تأثیرات دنیای واقعی سوگیری مدلهای زبان بزرگ (LLM)
مدلهای زبان بزرگ میتوانند ناخواسته سوگیریهایی را با پیامدهای قابل توجه در دنیای واقعی تداوم بخشند. هدف این جلسه واکاوی تفاوتهای ظریف فرهنگی است که به سوگیری LLM کمک میکنند و بحث در مورد استراتژیهایی برای کاهش این سوگیریها بهمنظور ترویج عدالت و فراگیری در کاربردهای هوش مصنوعی است.
ساخت هوش مصنوعی عاملی (Agentic AI) قابل اعتماد: درسهایی از پیادهسازیهای دنیای واقعی
اعتماد، سنگ بنای پیادهسازی مؤثر هوش مصنوعی است. این گفتگو با استفاده از مطالعات موردی دنیای واقعی، بهترین شیوهها را برای ساخت سیستمهای هوش مصنوعی عاملی که قابل اعتماد، شفاف و همسو با انتظارات کاربر و استانداردهای اخلاقی هستند، تشریح خواهد کرد.
دموکراتیکسازی دادهها: چگونه ایجنتهای هوش مصنوعی تصمیمگیری را در هر تیمی توانمند میسازند
بیاموزید که چگونه ایجنتهای هوش مصنوعی دسترسی به دادهها را در سازمانها دموکراتیک میکنند و تیمها را در بخشهای مختلف قادر میسازند تا تصمیمات آگاهانه بگیرند. این جلسه نمونههایی از ابزارهای مبتنی بر هوش مصنوعی را به نمایش میگذارد که سواد داده را تسهیل کرده و کاربران غیرفنی را توانمند میسازند.
چگونه برنامههای هوش مصنوعی چشمگیر بسازیم که میلیونها کاربر جذب کنند
دستیابی به پذیرش گسترده برنامههای هوش مصنوعی چیزی بیش از مهارت فنی نیاز دارد. این ارائه عوامل کلیدی در طراحی و بازاریابی برنامههای هوش مصنوعی را پوشش میدهد که با کاربران طنینانداز شده، تعامل را افزایش داده و به میلیونها کاربر مقیاسپذیر باشند.
نمودارهای دانش تفکیکشده بر اساس موجودیت: ارتقای نسل بعدی تولید بهبودیافته با بازیابی (RAG)
تکنیکهای تولید بهبودیافته با بازیابی خود را با استفاده از نمودارهای دانش تفکیکشده بر اساس موجودیت، ارتقا دهید. این جلسه روشهایی برای ادغام دانش ساختاریافته بهمنظور بهبود دقت و ارتباط محتوای تولید شده توسط هوش مصنوعی را بررسی خواهد کرد.
تغییر جهت به سمت مدلهای کوچکتر در سال ۲۰۲۵: چرا هوش مصنوعی تخصصی پیروز خواهد شد
با چرخش صنعت هوش مصنوعی به سمت مدلهای کوچکتر و تخصصیتر، درک مزایای آنها حیاتی میشود. این گفتگو به این موضوع میپردازد که چرا این مدلها در حال جلب توجه هستند و چگونه میتوانند در کاربردهای خاص از همتایان بزرگتر خود بهتر عمل کنند.
راهنمای ارزیابی RAG مدلهای زبان بزرگ (LLM) برای برنامههای تولیدی
پیادهسازی مدلهای زبان بزرگ در محیط تولید نیازمند ارزیابی دقیق است. این جلسه یک راهنما برای ارزیابی عملکرد LLM در سناریوهای تولید بهبودیافته با بازیابی (RAG) ارائه میدهد و از قابلیت اطمینان و اثربخشی در کاربردهای دنیای واقعی اطمینان حاصل میکند.
مقدمهای بر پسآموزش مدلهای زبان بزرگ (LLM)
تکنیکهای پسآموزش میتوانند بهطور قابل توجهی قابلیتهای مدلهای زبان بزرگ را افزایش دهند. شرکتکنندگان بینشهایی در مورد روشهایی مانند تنظیم دقیق (fine-tuning) و یادگیری تقویتی کسب خواهند کرد که مدلهای از پیش آموزشدیده را برای وظایف و حوزههای خاص تطبیق میدهند.
ارزیابی ارزیابها: محکزنی یک قاضی LLM با استفاده از الگوهای درجهبندی انسانی
ارزیابی ارزیابها برای حفظ یکپارچگی ارزیابی ضروری است. این ارائه به محکزنی یک سیستم درجهبندی مبتنی بر LLM در برابر الگوهای درجهبندی انسانی میپردازد تا از ثبات و عدالت اطمینان حاصل شود.
مدلهای زبان بزرگی (LLM) که فکر میکنند: رمزگشایی از مدلهای استدلالی
مکانیسمهایی را که مدلهای زبان بزرگ را قادر میسازند تا وظایف استدلالی پیچیده را انجام دهند، کشف کنید. هدف این جلسه رمزگشایی از عملکرد درونی مدلهای استدلالی است و شفافیت در مورد قابلیتها و محدودیتهای آنها را فراهم میکند.
GraphRAG فوری و قابل تنظیم با Unstructured Astra DB
بیاموزید که چگونه سیستمهای تولید بهبودیافته با بازیابی گراف (GraphRAG) قابل تنظیم را با استفاده از پایگاه داده Unstructured Astra DB بهسرعت پیادهسازی کنید. این گفتگو مراحل عملی برای راهاندازی و بهینهسازی این سیستمها برای مدیریت مؤثر دادههای بدون ساختار را پوشش میدهد.
این رویداد برتر برای فعالان هوش مصنوعی و علم داده را از دست ندهید. هماکنون ثبتنام کنید تا از قیمتهای پیشفروش بهرهمند شوید و جایگاه خود را در میان درخشانترین ذهنهای این صنعت تضمین کنید.